Etkin gizlilik koruması için rasgele sayı üreticine dayalı veri anonimizasyon modelinin geliştirilmesi
Development of data anonymization model based on random number generator for efficient privacy preserving
- Tez No: 693935
- Danışmanlar: PROF. DR. AHMET SERTBAŞ, DOÇ. DR. MUHAMMED ALİ AYDIN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 96
Özet
Teknolojinin hızlı gelişimi ve hayatımızın her alanına girmesi sonucunda verinin hacmi ve değeri oldukça önemli bir çalışma alanı olmuştur. Verinin bu denli kıymetlenmesi kişilerin bilgileri açısından bazı sonuçlar doğurmuştur. Veri kimliksizleştirme, kişisel verilerin güvenliği açısından bu konulardan en önemlisidir. Bu alanda birçok çalışma yapılmıştır ve yapılmaya devam edilmektedir. Bu çalışmada ise hassas niteliklerin kimliksizleştirilmesi için RSUGP isimli bir yöntem önerilmiştir. Geometrik veri pertürbasyonunda klasik olarak kullanılan gauss gürültüsü ya da rasgele gürültü yöntemlerinin yerine rasgele sayı üreteçlerine bağlı yeni bir gürültü modeli önerilmiştir. Önerilen RSUGP yöntemi Hadoop dosya sistemi HDFS üzerinde tutulan veri setlerinin Apache Spark ile işlenmesi sonrasında sınıflandırma doğruluğu, F- ölçütü, atak dayanıklılığı açısından 6 farklı veri tabanı ve 4 farklı sınıflandırma yöntemi ile test edilmiş, bulgular sonuçlar kısmında paylaşılmıştır. Sonuçlar önerilen yöntemin sınıflandırma doğruluğu, atak dayanıklılığı ve çalışma zamanı açısından kıyaslanan diğer yöntemlere göre daha başarılı olduğunu ortaya koymuştur.
Özet (Çeviri)
With the technology's rapid development and its involvement in all areas of our lives, the volume and value of data have become a significant field of study. Valuation of the data to this extent has produced some consequences in terms of people's knowledge. Data anonymization is the most important of these issues in terms of the security of personal data. Much work has been done in this area and continues to being done. In this study, we proposed a method called RSUGP for the anonymization of sensitive attributes. A new noise model based on random number generators has been proposed instead of the Gaussian noise or random noise methods, which are being used conventionally in geometric data perturbation. The proposed RSUGP method has been tested with 6 different databases and 4 different classification methods in terms of classification accuracy, F- score, attack resistance, execution time and Friedman rank test. After the data sets kept on the Hadoop file system HDFS are processed with Apache Spark, and the findings are shared in the results section. Experiments show that the proposed method was more successful than the other two classification accuracy, attack resistance, and runtime
Benzer Tezler
- Pertübasyon yöntemi ile hassas veri güvenliğine yönelik çok değişkenli veriler için tahmin analizi
Prediction analysis for multivariate data with respect to sensitive data security using the perturbation method
İLKER İLTER
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAFİYE SENCER
- Privacy-preserving collaborative filtering on arbitrarily partitioned data
Gizliliği koruyarak rastgele bölünmüş veri tabanlı ortak süzgeçleme
İBRAHİM YAKUT
Doktora
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnadolu ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN POLAT
- Kayıpsız veri sıkıştırma ve steganografi tekniğine dayalı yeni bir yöntem
A novel technique based on lossless data compression and steganography
ERTUĞRUL DUMAN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. CEMİL ÖZ
- Büyük veride etkin gizlilik koruması için yazılım tasarımı
Software design for efficient privacy preserving in big data
CAN EYÜPOĞLU
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERTBAŞ
DR. ÖĞR. ÜYESİ MUHAMMED ALİ AYDIN
- Privacy protection for spatial trajectories against brute-force attacks
Uzamsal gezingelerin kaba güç saldırılarına karşı gizlilik koruması
DORUKHAN ARSLAN
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERMAN AYDAY